文献

J-GLOBAL ID：202202271930314494   整理番号：22A0203101

FedGraph:知的サンプリングによる連合グラフ学習【JST・京大機械翻訳】

FedGraph: Federated Graph Learning With Intelligent Sampling

著者 (4件)： Chen Fahao (University of Aizu, Aizuwakamatsu, Japan) ,  Li Peng (University of Aizu, Aizuwakamatsu, Japan) ,  Miyazaki Toshiaki (University of Aizu, Aizuwakamatsu, Japan) ,  Wu Celimuge (University of Electro-Communications, Chofu, Japan)
資料名： IEEE Transactions on Parallel and Distributed Systems  (IEEE Transactions on Parallel and Distributed Systems)
巻： 33  号： 8  ページ： 1775-1786  発行年： 2022年 
JST資料番号： T0882A  ISSN： 1045-9219  CODEN： ITDSEO  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 連合学習は,分散機械学習におけるプライバシー保護のため,多くの研究の注目を集めている。しかしながら,連合学習の既存の研究は,主に,多くのアプリケーションで一般的であるグラフデータを効率的に処理できない畳込みニューラルネットワーク(CNN)に焦点を合わせている。グラフ畳込みネットワーク(GCN)はグラフ学習のための最も有望な技術の1つとして提案されているが,その連合設定はめったに探索されていない。本論文では,複数のコンピューティングクライアント間の連合グラフ学習のためのFed Gleasonを提案し,その各々は部分グラフを保持する。Fed Displayは,2つのユニークな課題に対処することにより,クライアント全体で強いグラフ学習能力を提供する。最初に,従来のGCN訓練はクライアント間の特徴データ共有を必要とし,プライバシー漏洩のリスクをもたらす。Fed Displayは,新しいクロスクリエント畳込み操作を用いてこの問題を解決した。第2の課題は,大きなグラフサイズによる高いGCN訓練オーバヘッドである。深層強化学習に基づくインテリジェントグラフサンプリングアルゴリズムを提案し,訓練速度と精度のバランスをとる最適サンプリングポリシーに自動的に収束できる。PyTorchに基づくFed Displayを実装し,それを性能評価のためにテストベッドに展開する。4つのポピュラーなデータセットの実験結果は,Fedグラフが,より高い精度への高速収束を可能にすることにより,既存の研究よりも著しく優れていることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  畳込み ,  *学習 ,  ネットワーク ,  プライバシー ,  部分グラフ ,  応用プログラム ,  性能評価 ,  機械学習
準シソーラス用語： テストベッド ,  学習能力 ,  オーバヘッド ,  プライバシー保護 ,  データ共有化 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： サンプリング ,  グラフ ,  学習